CN117396305A - 加工尺寸预测装置、加工尺寸预测***、加工尺寸预测方法及程序 - Google Patents
加工尺寸预测装置、加工尺寸预测***、加工尺寸预测方法及程序 Download PDFInfo
- Publication number
- CN117396305A CN117396305A CN202180098677.1A CN202180098677A CN117396305A CN 117396305 A CN117396305 A CN 117396305A CN 202180098677 A CN202180098677 A CN 202180098677A CN 117396305 A CN117396305 A CN 117396305A
- Authority
- CN
- China
- Prior art keywords
- section
- machining
- transition
- prediction
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003754 machining Methods 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims description 50
- 230000007704 transition Effects 0.000 claims abstract description 108
- 238000005259 measurement Methods 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 50
- 238000005520 cutting process Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/20—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring workpiece characteristics, e.g. contour, dimension, hardness
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
加工尺寸预测装置(10)具有:推移取得部(11),其关于被实施加工的多个被加工物,分别取得表示从通过工作机械(20)进行的加工的开始至结束为止的加工期间中的工作机械(20)的状态的推移的推移信息;特征量计算部(14),其基于推移信息,根据加工期间所包含的多个区间各自的状态的推移对特征量进行计算;测定值取得部(15),其取得加工出的多个被加工物的尺寸的测定值;区间确定部(16),其从多个区间对计算出表示与测定值相关的程度的关联度最高的特征量的区间进行确定而作为确定区间;以及预测部(18),其在新的被加工物被加工时,基于根据确定区间的状态的推移而计算的特征量,对新的被加工物的加工后的尺寸进行预测。
Description
技术领域
本发明涉及加工尺寸预测装置、加工尺寸预测***、加工尺寸预测方法及程序。
背景技术
FA(Factory Automation)现场的生产线大多包含工作机械对被加工物实施加工的工序。为了对加工出的被加工物的尺寸是否收敛于容许范围进行确认,在加工后对被加工物的尺寸进行检查即可,但难以实施全部数量的检查,会花费时间。因此,提出了对加工尺寸进行预测的技术(例如,参照专利文献1)。
在专利文献1中记载有下述技术,即,从在预先确定的加工区间中收集到的工作机械的驱动状态信息对特征量进行提取,根据该特征量而生成用于对加工尺寸进行预测的预测模型。如果使用该预测模型,则即使在加工后没有对加工尺寸进行测定的情况下,也能够进行加工品质的判定或者是正常的加工的诊断。
专利文献1:日本专利第6833090号公报
非专利文献1:ZHANG,Jing,et al.Fault Detection andClassification ofTime Series Using Localized Matrix Profiles.In:2019IEEE InternationalConference on Prognostics and Health Management(ICPHM).IEEE,2019.p.1-7.
发明内容
在切削刀具的切除量恒定且伴随切削而形成的槽宽度变得均一的如直线槽加工那样的情况下,使用专利文献1的技术而预测出的加工尺寸和实际测定出的加工尺寸之间的误差小。但是,在伴随曲线加工及部分加工的情况下,由于向切削刀具的加工面的抵接角或以NC(Numerical Control)工作机械的曲线插补控制性能为代表的要因,切除量相对于测定位置不一致。由此,从在预先确定的加工区间中收集到的信息提取出的特征量不一定成为对通过加工后的检查进行测定的部位的尺寸充分地进行说明的数据。因此,在对根据专利文献1所记载的特征量而预测加工尺寸的预测模型进行学习时,通过该预测模型进行预测的加工尺寸的误差有可能变大。因此,存在更准确地对通过工作机械加工出的被加工物的尺寸进行预测的余地。
本发明就是鉴于上述情况而提出的,其目的在于更准确地对通过工作机械加工出的被加工物的尺寸进行预测。
为了达到上述目的,本发明的加工尺寸预测装置具有:推移取得单元,其关于被实施加工的多个被加工物分别取得表示从通过工作机械进行的加工的开始至结束为止的加工期间中的工作机械的状态的推移的推移信息;特征量计算单元,其基于推移信息,根据加工期间所包含的多个区间各自的状态的推移对特征量进行计算;测定值取得单元,其取得加工出的多个被加工物的尺寸的测定值;区间确定单元,其从多个区间对计算出表示与测定值相关的程度的关联度最高的特征量的区间进行确定而作为确定区间;以及预测单元,其在新的被加工物被加工时,基于根据确定区间中的状态的推移而计算的特征量,对新的被加工物的加工后的尺寸进行预测。
发明的效果
根据本发明,区间确定单元从多个区间对计算出表示与测定值相关的程度的关联度最高的特征量的区间进行确定而作为确定区间,预测单元在对新的被加工物进行加工时,基于根据确定区间的状态的推移而计算的特征量,对新的被加工物的加工后的尺寸进行预测。即,基于加工期间之中的与实际尺寸最相关的区间的特征量对尺寸进行预测。因此,能够更准确地对通过工作机械加工出的被加工物的尺寸进行预测。
附图说明
图1是表示实施方式1所涉及的加工尺寸预测***的结构的图。
图2是表示实施方式1所涉及的被加工物的加工例的图。
图3是用于对实施方式1所涉及的加工进行说明的图。
图4是表示实施方式1所涉及的加工尺寸预测装置的硬件结构的图。
图5是用于对通过实施方式1所涉及的加工尺寸预测装置实施的加工尺寸的预测进行说明的图。
图6是表示实施方式1所涉及的加工尺寸预测装置的功能结构的图。
图7是表示实施方式1所涉及的工作机械的状态的推移的一个例子的图。
图8是用于对实施方式1所涉及的特征量的计算进行说明的图。
图9是表示实施方式1所涉及的特征量的计算例的图。
图10是表示实施方式1所涉及的关联度的计算例的图。
图11是表示实施方式1所涉及的预测模型的一个例子的图。
图12是表示实施方式1所涉及的学习处理的流程图。
图13是表示实施方式1所涉及的验证处理的流程图。
图14是表示实施方式1所涉及的预测处理的流程图。
图15是用于对实施方式2所涉及的特征量的计算进行说明的图。
图16是表示实施方式2所涉及的特征量的计算例的图。
图17是用于对实施方式3所涉及的预测模型的学习进行说明的图。
图18是用于对实施方式4所涉及的重要度进行说明的图。
图19是用于对实施方式5所涉及的乖离度进行说明的图。
图20是用于对实施方式6所涉及的区间的设定进行说明的第1图。
图21是用于对实施方式6所涉及的区间的设定进行说明的第2图。
图22是表示变形例所涉及的测定部位的图。
具体实施方式
下面,参照附图对本发明的实施方式所涉及的加工尺寸的预测详细地进行说明。
实施方式1.
本实施方式所涉及的加工尺寸预测装置10如图1所示,与对被加工物40实施加工的工作机械20、对工作机械20的状态进行测量的传感器21以及取得工作机械20的坐标信息及加工出的被加工物40的尺寸的测定值而用于对品质进行检查的测定装置30一起构成加工尺寸预测***100。加工尺寸预测***100与设置于工厂的作为FA***的生产***的一部分相当。在加工尺寸预测***100中,通过对从工作机械20收集的信息之中的特别会对加工尺寸造成影响的部分进行确定,从而加工尺寸的预测精度提高。此外,加工尺寸预测***100中的预测,是指不实际对加工尺寸进行测定而是对该尺寸进行推定。
工作机械20例如是以铣床、车床、钻床、加工中心及车削中心为代表的NC工作机械。工作机械20执行预先设定的NC控制用程序,由此使用刀具对被加工物40进行加工。刀具例如是立铣刀、面磨机、钻头、攻丝或切片。被加工物40是成为加工对象的工件。加工例如是切削、磨削或切断。
在图2、3中示出了针对被加工物40的加工的一个例子。在图2的例子中,工作机械20使立铣刀即刀具201以箭头所示的方式与金属的被加工物40接触而进行切削,由此形成螺旋状的叶片。详细地说,工作机械20在图3中的粗线的箭头所示的方向使刀具201移动,由此形成粗线所示的内向面401,然后在虚线的箭头所示的方向使刀具201移动,由此形成虚线所示的外向面402。如上所述而加工出的被加工物40用作滚动压缩机的部件。滚动压缩机的叶片的尺寸要求高精度,因此如上所述的加工时的尺寸的预测需要准确。
工作机械20经由通信线或者模拟信号线与加工尺寸预测装置10连接,将通过内置的传感器周期性地得到的表示工作机械20本身的状态的推移的状态推移信息发送至加工尺寸预测装置10。在这里,工作机械20的状态的推移是伴随与刀具的磨损状态、被加工物40的状态及刀具和被加工物40的接触状态相应地变化的加工的状态推移,工作机械20的状态例如是在使刀具旋转的主轴电动机中流动的电流或转矩的值、在固定有被加工物40的工作台的进给轴的电动机中流动的电流或转矩的值、主轴或者工作台的坐标值或工作机械20中的温度或者振动强度。状态推移信息可以在加工中实时地发送,也可以将加工时的测量结果在加工后汇总而发送。
传感器21是对工作机械20的状态周期性地进行收集的状态推移信息收集装置,相对于已有的工作机械20而事后追加。或者,传感器21也可以如上所述作为工作机械20的功能的一部分而搭载。传感器21经由通信线或者模拟信号线而与加工尺寸预测装置10连接,将收集结果发送至加工尺寸预测装置10。对通过传感器21得到的收集结果赋予以与各个被加工物40相对应的制造序列号为代表的个体识别编号。加工尺寸预测装置10基于该个体识别编号和从工作机械20被通知的加工的进展状况(状态推移),从通过传感器21得到的收集结果对与工作机械20的加工时相对应的部分进行提取。
此外,也可以省略来自工作机械20的收集结果的发送及来自传感器21的收集结果的发送的一者而构成加工尺寸预测***100。在省略来自传感器21的测量结果的发送的情况下,可以省略传感器21而构成加工尺寸预测***100。
测定装置30经由通信线而与加工尺寸预测装置10连接,对加工出的被加工物40的尺寸进行测定,对测定结果赋予个体识别编号而发送至加工尺寸预测装置10。通过测定装置30进行的测定相当于针对经过了加工工序后的被加工物40的检查工序。由测定装置30进行测定的尺寸通常是通过被加工物40的工作机械20加工出的部位的尺寸。在图3的例子中,从基准面至叶片的内向面401之中的特定的位置为止的长度D1及与叶片的特定部位的厚度相当的长度D2设为测定对象。此外,测定对象并不限定于图3所示的例子。另外,测定对象可以是1个,也可以是大于或等于3个。
加工尺寸预测装置10例如是IPC(Industrial Personal Computer)、PLC(Programmable Logic Controller)、其他FA装置。加工尺寸预测装置10作为其硬件结构如图4所示,具有处理器51、主存储部52、辅助存储部53、输入部54、输出部55和通信部56。主存储部52、辅助存储部53、输入部54、输出部55及通信部56均经由内部总线57与处理器51连接。
处理器51包含作为集成电路的CPU(Central Processing Unit)、MPU(MicroProcessing Unit)、运算用GPU(Graphics Processing Unit)或FPU(Floating PointUnit)。处理器51执行在辅助存储部53中存储的程序P1,由此实现加工尺寸预测装置10的各种功能而执行后面记述的处理。
主存储部52包含RAM(Random Access Memory)。在主存储部52从辅助存储部53下载程序P1。而且,主存储部52被用作处理器51的作业区域。
辅助存储部53包含以EEPROM(Electrically Erasable Programmable Read-OnlyMemory)为代表的非易失性存储器。辅助存储部53除了程序P1以外,还对在处理器51的处理中使用的各种数据进行存储。辅助存储部53按照处理器51的指示,将由处理器51利用的数据供给至处理器51,对从处理器51供给的数据进行存储。
输入部54包含以输入键、按钮、开关、键盘、指点设备及DI触点(光电耦合器输入)为代表的输入设备。输入部54取得由加工尺寸预测装置10的用户输入的信息、从其他外部提供的信息,将所取得的信息通知给处理器51。
输出部55包含以LED(Light Emitting Diode)、LCD(Liquid Crystal Display)、DO触点(光电耦合器输出)及扬声器为代表的输出设备。输出部55按照处理器51的指示,将各种信息提示给用户,或输出至外部。
通信部56具有用于与外部的装置进行通信的网络接口电路和模拟信号电路。通信部56从外部对信号进行接收,将通过该信号表示的信息向处理器51输出。另外,通信部56将表示从处理器51输出的信息的信号向外部的装置发送,或对模拟信号进行输出。
上述硬件结构协同动作,由此加工尺寸预测装置10关于多个被加工物40,对从测定装置30取得的实际尺寸值和从工作机械20及传感器21取得的加工时的工作机械20的状态推移之间的关系进行学习。另外,加工尺寸预测装置10如图5所示,在对新的被加工物41进行加工时,根据从工作机械20及传感器21通知的工作机械20的状态推移和学习后的上述关系,对新的被加工物41的加工尺寸进行预测。
详细地说,加工尺寸预测装置10如图6所示,作为其功能,具有:推移取得部11,其取得表示从加工开始至结束为止的加工期间中的工作机械20的状态的推移的推移信息;品种·制造序列号取得部12,其取得被加工物40、41的品种及制造序列号;区间剪切部13,其根据由推移取得部11取得的推移信息对多个区间进行剪切;特征量计算部14,其根据由区间剪切部13剪切出的区间的状态的推移对特征量进行计算;测定值取得部15,其取得加工出的被加工物40的尺寸的测定值;区间确定部16,其至少对一个计算出与测定值相关的程度高的特征量的区间进行确定;学习部17,其对预测模型进行学习,该预测模型用于根据确定出的区间的特征量对尺寸进行预测;预测部18,其将与新的被加工物41相关的推移信息应用于预测模型而对尺寸进行预测;以及通知部19,其对基于预测结果的合格与否判定的结果进行通知。
推移取得部11主要由通信部56实现。推移取得部11从工作机械20及传感器21的至少一者,关于被实施同一加工的被加工物40、41而分别取得推移信息。例如,推移取得部11作为工作机械20的状态的推移,取得在图7中线L1所示的表示加工转矩的时序波形的推移信息。加工转矩与工作机械20的主轴电动机的电流值相对应。推移取得部11在加工尺寸预测装置10中,相当于推移取得单元的一个例子,该推移取得单元关于被实施加工的多个被加工物40,分别取得表示从通过工作机械20进行的加工的开始至结束为止的加工期间中的工作机械20的状态的推移的推移信息。
品种·制造序列号取得部12主要由通信部56实现。品种·制造序列号取得部12从工作机械20及测定装置30取得被加工物40、41的品种信息及制造序列号。品种·制造序列号取得部12将取得的品种信息及制造序列号输出至区间剪切部13及测定值取得部15。关于被实施同一加工的被加工物40、41,其品种是共通的,因此品种信息被利用于将被实施同一加工的被加工物40、41与被实施其他加工的加工对象物进行区分。制造序列号被利用于各个被加工物40、41的个体识别。
区间剪切部13通过预先与品种信息相关联的推移信息剪切条件,将所取得的推移信息的加工期间分割为多个区间,输出至特征量计算部14。另外,区间剪切部13将与新的被加工物41有关的推移信息也通过预先与品种信息相关联的推移信息剪切条件而分割为多个区间,输出至特征量计算部14。
此外,加工期间也可以不与针对被加工物40、41的全部加工工序相对应。例如,在针对被加工物40、41的加工工序包含粗切削工序、使用刀具201而形成内向面401及外向面402的工序和使用其他刀具而形成螺孔的工序的情况下,上述加工期间可以与形成内向面401及外向面402的工序相对应。加工期间只要包含针对成为测定装置30所涉及的测定对象的部位的加工对被加工物40、41实施的定时即可。
例如,区间剪切部13如图7例示那样,对加工期间所包含的多个区间A1~A18进行区间剪切。区间A1~A18包含由用户预先设定的长度的从加工开始时刻起始的区间A1、以及重复进行使该区间以预先确定的位移宽度位移而对下一个区间进行设定的操作而剪切出的多个区间A2~A18。图7的例子中的位移宽度等于区间的长度,但位移宽度可以比区间的长度短,也可以比区间的长度长。另外,关于最后的区间A18,可以对其长度进行变更以使得包含于加工期间。此外,区间被设定为关于多个被加工物40的品种是共通的。
特征量计算部14主要由处理器51实现。特征量计算部14根据各区间的工作机械20的状态的推移对多个类别的特征量进行计算。例如,特征量计算部14如图8所示,作为区间A4中的波形的特征量,对作为最大值的特征量F1、作为最小值的特征量F2、作为平均值的特征量F3及作为中央值的特征量F4进行计算。
在图9中例示出分别关于多个被加工物40,关于加工期间所包含的多个区间分别计算的多个类别的特征量。在图9中将第1个被加工物40的标识符示出为[40-01],将第2个被加工物40的标识符示出为[40-02]。返回至图6,特征量计算部14将关于多个被加工物40计算出的特征量输出至区间确定部16。另外,特征量计算部14将关于新的被加工物41计算出的特征量输出至预测部18。特征量计算部14在加工尺寸预测装置10中相当于特征量计算单元的一个例子,该特征量计算单元基于分别关于被加工物而取得的推移信息,根据加工期间所包含的多个区间各自的状态的推移对特征量进行计算。
测定值取得部15主要由通信部56实现。测定值取得部15从测定装置30取得加工出的多个被加工物40各自的尺寸的测定值,从品种·制造序列号取得部12取得品种信息和制造序列号,将分别关于被加工物40取得的测定值输出至区间确定部16。测定值取得部15在加工尺寸预测装置10中,相当于取得加工出的多个被加工物40的尺寸的测定值的测定值取得单元的一个例子。
区间确定部16主要由处理器51实现。区间确定部16按照与测定值的关联度从高到低的顺序,对特征量的类别和计算出该特征量的区间的组合确定出多个。关联度是表示与多个被加工物40各自有关的计算出的特征量和加工尺寸的测定值相关的程度的指标值,例如等于相关系数的大小。在图10中例示出根据各区间的状态的推移而计算出的各类别的特征量和测定值的相关系数的大小而作为关联度。在图10的例子中,区间A14和特征量F4的组合及区间A5及特征量F3的组合按照关联度从高到低的顺序被确定作为2个组合而通过黑体表示。相关系数是-1至1的实数值,相关系数的大小即相关系数的绝对值越大,则与测定值的关联性越高。
通过区间确定部16进行确定的组合的数量由用户预先设定。例如,图3所示的内向面401是在图7中的第1部分期间形成的,图3所示的外向面402是在图7中的第2部分期间形成的。在这里,在图3所示的长度D2成为测定装置30所涉及的测定对象的情况下,第1部分期间之中的对测定对象部位进行了加工的区间和第2部分期间之中的对测定对象部位进行了加工的区间成为与测定值的关联度特别高的区间。因此,在长度D2包含于测定对象的情况下,优选对2个区间进行确定,用户将进行确定的区间和特征量的组合设定为大于或等于2个即可。另外,在仅长度D2成为测定对象的情况下,用户将进行确定的组合设定为2个即可。
此外,关于同一区间,如果对1个特征量的组合进行确定,则优选将第2个及其以后的特征量的组合从确定对象排除在外。即,如图10所示,如果对区间A14和特征量F4的组合进行确定,则优选不对同一区间A14和特征量F3的组合进行确定,而是对其他区间和任意的特征量的组合进行确定。
另外,在图3所示的长度D1成为测定对象的情况下,对与长度D1相对应的测定对象部位进行了加工的1个区间成为与测定值的关联度特别高的区间。因此,在仅长度D1成为测定对象的情况下,用户可以将进行确定的组合设定为1个。即,区间确定部16将关联度最高的组合确定至少1个即可。
对通过区间确定部16进行确定的组合的数量等于针对成为测定装置30所涉及的测定对象的部位的加工定时所属的区间的数量的例子进行了说明,但并不限定与此,也可以不同。例如,在图3所示的长度D1、D2这两者成为测定对象的情况下,区间确定部16可以对少于3个的组合进行确定,也可以对多于3个的组合进行确定。
另外,通过区间确定部16进行确定的组合的数量可以不预先设定。例如,区间确定部16可以对比预先确定的阈值大的关联度被计算的全部组合进行确定。也可以在对比阈值大的关联度被计算的全部组合进行确定时,关于同一区间将与关联度的大小第2以下的特征量的组合排除在外。
区间确定部16将确定出的组合、确定出的区间的特征量及测定值输出至学习部17。区间确定部16在加工尺寸预测装置10中相当于区间确定单元的一个例子,该区间确定单元从多个区间对计算出表示与测定值相关的程度的关联度最高的特征量的区间进行确定而作为确定区间。
学习部17主要由处理器51实现。学习部17关于多个被加工物40对预测模型进行学习,该预测模型用于根据由区间确定部16确定出的区间的特征量和加工尺寸的测定值之间的关系,根据该区间的特征量对加工尺寸进行预测。例如,在通过区间确定部16对1个组合进行了确定的情况下,学习部17对图11所示的回归直线L10进行学习而作为预测模型。另外,在如图10所示通过区间确定部16对2个组合进行了确定的情况下,学习部17对以下的回归式(1)表示的预测模型进行学习。
B=C1·F3A5+C2·F4A14+C3· · · (1)
在这里,B表示加工尺寸的预测值,C1表示第1系数,F3A5表示区间A5的特征量F3,C2表示第2系数,F4A14表示区间A14的特征量F4,C3表示常数项。如上所述,学习部17通过回归分析对预测模型进行学习。学习部17将学习后的预测模型输出至预测部18。预测模型相当于用于根据与确定区间相对应的特征量对被加工物40的尺寸进行预测的第2预测模型的一个例子,学习部17在加工尺寸预测装置10中相当于对第2预测模型进行学习的学习单元的一个例子。
预测部18从特征量计算部14取得根据与新的被加工物41有关的推移信息而计算出的特征量,将所取得的特征量之中的由区间确定部16确定出的区间的特征量应用于学习后的预测模型,由此对新的被加工物41的尺寸进行推定。例如,预测部18在图11中的回归直线L10上得到与新的被加工物41的特征量相对应的加工尺寸的值而作为预测值。另外,预测部18对上述回归式(1)代入新的被加工物41的F3A5的值及F4A14的值,由此得到加工尺寸的预测值B。而且,预测部18将加工尺寸的预测结果输出至通知部19。预测部18在加工尺寸预测装置10中相当于在对新的被加工物41进行加工时,基于根据确定区间的状态的推移而计算的特征量对新的被加工物的加工后的尺寸进行预测的预测单元的一个例子,更详细地说,相当于基于由区间确定单元根据特征量的类别和确定出的确定区间的状态的推移进行计算的、由区间确定单元确定出的类别的特征量,对新的被加工物41的加工后的尺寸进行预测的预测单元的一个例子。
通知部19主要由输出部55实现。通知部19对由预测部***出的加工尺寸的预测值是否从预先确定的容许范围偏离进行判定,由此执行新的被加工物41的合格与否判定。而且,在判定为预测值从容许范围偏离的情况下,通知部19将加工不良这一主旨通知给用户。通过通知部19进行的通知可以是向加工尺寸预测装置10的画面的显示、LED的点灯或蜂鸣音的生成。另外,通知部19可以对工作机械20通知加工不良这一主旨而进行向工作机械20的报警显示,并且使加工停止,也可以进行用于使预测尺寸值落入至容许范围内的刀具长度(坐标)校正。
刀具长度校正例如是与通过磨损而变化的刀具长度相应地对刀具的坐标及工作台的坐标进行校正,能够对该被加工物41和刀具的接触状态进行改善,以使得判定为下一次及其以后的被加工物41为合格品。通知部19可以具有用于执行刀具长度校正的刀具长度校正部191。刀具长度校正部191相当于在由预测单元预测出的尺寸从容许范围偏离时,对设定于对被加工物进行加工的工作机械的刀具长度进行校正的校正单元的一个例子。此外,刀具长度校正部191可以设置于通知部19的外部,加工尺寸预测装置10可以取代通知部19而具有刀具长度校正部191。
另外,通知部19也可以对通过预测部18得到的预测结果进行通知。详细地说,通知部19可以将表示预测值的信息在画面进行显示。通知部19在加工尺寸预测装置10中相当于通知单元的一个例子,该通知单元在由预测单元预测的尺寸从预先确定的容许范围偏离时,对尺寸从容许范围偏离的情况进行通知。
另外,通知部19也可以对被加工物40的加工尺寸的测定值及新的被加工物41的加工尺寸的预测值进行累积,基于这些加工尺寸的履历,对由于切削刀具的磨损而刀具长度变化,预测出在将来加工尺寸从容许范围偏离为止的加工次数的结果进行通知。通常,由于刀具的磨损及劣化,从加工尺寸的设计值算起的误差随着加工次数的增加而变大。因此,能够以一定程度对加工尺寸从容许范围偏离为止的加工次数进行预测。例如,通知部19可以进行用于根据加工尺寸的履历对将来的加工尺寸进行预测的回归分析,也可以进行用于根据加工尺寸的误差的履历对将来的该误差的大小进行预测的回归分析。通知内容可以是剩余加工次数,也可以是直至剩余加工次数成为零为止的期间长度。通知部19对与剩余加工次数相关的信息进行通知即可。
在图12~14中示出了由加工尺寸预测装置10执行的学习处理、验证处理及预测处理的流程。
图12所示的学习处理是用于对预测模型进行学习的处理,是用户执行安装于加工尺寸预测装置10的特定应用而开始的。在学习处理中,推移取得部11关于被实施同一品种的加工的多个被加工物40分别取得推移信息(步骤S11),区间剪切部13根据预先指定给品种类别的剪切规则,将通过推移信息表示的状态转换分割为多个区间(步骤S12)。而且,特征量计算部14根据加工期间所包含的多个区间各自的状态的推移对特征量进行计算(步骤S13)。
接下来,测定值取得部15取得通过步骤S11取得推移信息的多个被加工物40的加工尺寸的测定值,使用制造序列号,与通过步骤S11取得的被加工物40的推移信息相关联(步骤S14)。另外,区间确定部16按照与通过步骤S14取得的测定值的关联度从高到低的顺序,对区间和通过步骤S13计算出的特征量的类别的多个组合进行确定(步骤S15)。而且,学习部17对预测模型进行学习,该预测模型根据通过步骤S15确定出的区间的特征量用于对加工尺寸进行预测(步骤S16),学习处理结束。
图13所示的验证处理是对使用在学习处理中学习到的预测模型时的预测精度进行验证的处理。在验证处理中,推移取得部11关于被实施与在学习处理的步骤S11中设为收集对象的被加工物40同一品种的加工的、与学习对象不同的多个被加工物40而取得推移信息(步骤S21)。
接下来,特征量计算部14基于通过步骤S21取得的推移信息,根据加工期间所包含的针对每个品种所设定的多个区间各自的状态的推移而对特征量进行计算(步骤S22),预测部18使用通过学习处理学习后的预测模型,根据通过步骤S22计算出的特征量对加工尺寸进行预测(步骤S23)。
接下来,测定值取得部15取得通过步骤S21取得推移信息的多个被加工物40的加工尺寸的测定值(步骤S24),预测部18对通过步骤S23取得的加工尺寸的预测值和通过步骤S24取得的测定值进行比较(步骤S25)。例如,预测部18对预测值和测定值的残差进行记录。
接下来,预测部18对通过步骤S25取得的预测精度是否处于预先确定的容许范围内进行判定(步骤S26)。该步骤S26的判定可以是根据通过多个加工预测出的尺寸值和其被加工物40的测定值而得到的自由度调整完成决定系数是否处于容许范围内的判定。在判定为预测精度不处于容许范围内的情况下(步骤S26;No),通知部19将没有得到充分的预测精度的预测模型这一主旨的错误通知给用户(步骤S27)。由此,例如使用新的学习对象数据,由用户再次执行学习处理,由此期待重新对充分的预测精度的预测模型进行学习。在判定为预测精度处于容许范围内的情况下(步骤S26;Yes)及步骤S27的结束后,验证处理结束。
图14所示的预测处理是使用预测模型对新的被加工物41的加工尺寸进行预测的处理。在预测处理中,推移取得部11关于新的被加工物41而取得推移信息(步骤S31),区间剪切部13按照预先指定给品种类别的剪切规则,将通过步骤S31取得的推移信息所表示的状态转换分割为多个区间(步骤S32)。另外,特征量计算部14对通过步骤S32分割出的区间之中的通过学习处理的步骤S15确定出的区间的特征量进行计算(步骤S33)。
接下来,预测部18使用在验证处理中验证为具有充分的预测精度的预测模型,对新的被加工物41的加工尺寸进行预测(步骤S34)。另外,通知部19取得预测出的新的被加工物41的尺寸而进行记录(步骤S35)。在这里,通知部19可以对设为学习处理的对象的被加工物40的测定值及设为验证处理的对象的被加工物40的测定值一并记录。
接下来,通知部19对通过步骤S34预测出的尺寸是否处于容许范围外进行判定(步骤S36)。在判定为尺寸处于容许范围外的情况下(步骤S36;Yes),通知部19将该主旨通知给用户(步骤S37)。另外,在进行刀具长度校正时,将关于下一次及其以后的被加工物41用于将尺寸设为容许范围内的刀具长度(坐标)发送至工作机械20(步骤S38)。在判定为尺寸不处于容许范围外的情况下(步骤S36;No),通知部19基于记录的尺寸的履历,对直至尺寸从容许范围偏离为止的剩余加工次数进行通知(步骤S39)。然后,预测处理结束。
以上,如说明所述,区间确定部16从多个区间对计算出关联度最高的特征量的区间进行确定,预测部18在对新的被加工物41进行加工时,基于根据由区间确定部16确定出的区间的状态的推移而计算的特征量,对新的被加工物41的加工后的尺寸进行预测。即,基于加工期间之中的与实际尺寸最相关的区间的特征量对加工尺寸进行预测。因此,能够更准确地对由工作机械20加工出的新的被加工物41的尺寸进行预测。
以往,在预测精度差的情况下,一边手动地对用于计算特征量的区间进行变更或对特征量的类别进行变更,一边试行预测模型的学习。与此相对,根据本实施方式所涉及的加工尺寸预测装置10,将关于在同一加工条件下加工出的同一品种的工件在加工期间中收集到的时序数据和在加工后测定出的尺寸以一定程度汇集而登记,由此能够进行精度高的预测模型的学习和基于通过预测模型得到的预测值的新的被加工物41的合格与否判定。
另外,区间确定部16按照关联度从高到低的顺序对大于或等于2个区间进行确定。由此,在由工作机械20加工出的被加工物40的大于或等于2个部位包含于测定装置30的测定对象的情况下,期待准确地对新的被加工物41的加工尺寸进行预测。另外,通常来说,通过增多参数值,从而期待预测精度提高。
另外,区间确定部16在与测定值的关联度高的区间的基础上,还对该关联度高的特征量的类别进行确定,预测部18基于确定出的类别的特征量对新的被加工物41的加工尺寸进行测定。由此,能够基于适当的类别的特征量而高精度地对加工尺寸进行预测。
另外,区间确定部16对与测定值的相关系数的大小最大的区间进行确定而作为关联度最高的区间。相关系数的计算所承受的计算负荷比较轻。因此,能够减轻用于对区间进行确定的运算负荷。特别地,在区间的数量和特征量的类别数变多,区间确定部16用于对区间和特征量的类别的组合进行确定的探索范围变大时,能够减轻运算负荷。
另外,特征量计算部14在预先确定的长度的区间在加工期间内每次位移时对特征量进行计算。由此,能够减轻特征量的计算所承受的运算负荷。
另外,加工尺寸预测装置10具有对预测模型进行学习的学习部17。由此,使用从大量的数据得到的预测模型,能够高精度地对加工尺寸进行推定。
另外,加工尺寸预测装置10具有对预测出的加工尺寸从容许范围偏离的情况进行通知的通知部19。由此,关于新的被加工物41,即使在没有使用测定装置30进行检查的情况下,也能够进行合格与否判定。并且能够进行与通过磨损引起的切削量削减相伴的刀具长度校正(坐标),继续合格品加工。
另外,通知部19基于预测出的尺寸的履历,对与直至将来加工尺寸从容许范围偏离为止的加工次数相关的信息进行通知。由此,用户能够事先对应该更换刀具的定时进行识别而准备新的刀具。
此外,对将固定长度的区间位移并计算特征量的例子进行了说明,但并不限定于此。例如,特征量计算部14也可以针对将加工期间分割而得到的每个区间对特征量进行计算。图7所例示的区间A1~A18可以是将加工期间等分割为18个区间而得到的区间。在对加工期间进行分割的情况下,分割后的区间数可以预先设定,也可以以区间长度与预先确定的长度近似的方式对加工期间进行分割。在该情况下,也能够减轻特征量的计算所承受的运算负荷。
实施方式2.
接下来,关于实施方式2,以与上述实施方式1的差异点为中心进行说明。此外,关于与上述实施方式1相同或同等的结构,使用同等的标号,并且省略或简化其说明。本实施方式在对加工期间所包含的多个部分区间进行合成,由此得到用于对特征量进行计算的区间这一点与上述实施方式1不同。
在本实施方式中,将在实施方式1中图7所示的区间A1~A18作为部分区间进行处理,特征量计算部14根据通过将该部分区间合成2个而得到的区间的波形对特征量进行计算。详细地说,如图15所示,根据将实施方式1中的相当于区间A5、A14的部分区间组合后的区间的合成后的波形对特征量F1~F4进行计算。特征量计算部14如图16所示,关于部分区间的全部组合的区间分别对特征量进行计算。
以上,如说明所述,本实施方式所涉及的区间相当于将加工期间所包含的一部分区间和从该一部分区间的结束时刻后的开始时刻起始的其他部分区间进行合成而得到的期间。如图3中的长度D2所示,在通过工作机械20进行加工而成为测定装置30所涉及的测定对象的部位为2个的情况下,有时根据对包含该部位被加工的定时在内的2个部分区间的波形进行合成得到的合成波形而计算的特征量,与根据各个部分区间而计算的特征量相比,与测定值的关联度提高。因此,能够得到用于对加工尺寸进行预测的更适当的特征量。
实施方式3.
接下来,关于实施方式3,以与上述实施方式1的差异点为中心进行说明。此外,关于与上述实施方式1相同或同等的结构,使用同等的标号,并且省略或简化其说明。加工尺寸受到环境温度的影响,因此例如与在夏季和冬季使用同一预测模型相比,优选使用适于夏季的预测模型和适于冬季的预测模型。如上所述,使用根据满足特定的条件时的数据而学习后的预测模型,对满足该条件时的新的被加工物41的加工尺寸进行预测,以下关于该方式进行说明。
如图17所示,加工尺寸预测装置10对大量的数据进行收集。各个数据相当于同一品种的被加工物40的推移信息及测定值。学习部17对大量的数据之中的满足预先确定的条件的数据组进行提取,关于提取出的数据而执行交叉验证。详细地说,学习部17从提取信息将设为验证处理的对象的验证对象信息和设为学习处理的对象的学习对象信息分开,一边变更对象组、一边生成多个预测模型。学习部17例如通过自由度调整完成决定系数将预测精度数值化而进行评价,决定预测精度最高的预测模型。例如,学习部17从夏季期间数据对满足条件的数据组进行提取,决定预测精度最高的夏季预测模型。同样地,学习部17从冬季期间数据对满足条件的数据组进行提取,决定预测精度最高的冬季预测模型。由此,例如在冬季这一环境条件下的加工中,对冬季预测模型进行选择,由此能够得到预测精度高的适于冬季的预测模型。
并且,加工尺寸预测装置10关于其他条件也执行数据的提取及交叉验证,得到适于该其他条件的预测模型。例如得到适于地面的振动幅度大的白天或者振动幅度小的夜间的预测模型。而且,预测部18关于新的被加工物41,在如图17所示对预测精度进行了验证的条件被满足时,使用适于条件的预测模型对加工尺寸进行推定。
以上,如说明所述,加工尺寸预测装置10得到适于条件的预测模型。由此,能够在满足条件时高精度地对新的被加工物41的加工尺寸进行预测。
此外,本实施方式所涉及的学习部17相当于学习单元的一个例子,该学习单元对设为学习对象信息的推移信息进行变更,而重复进行从关于多个被加工物分别取得的推移信息之中的满足预先确定的条件的推移信息对设为学习对象的学习对象信息、和从学习对象排除在外的验证对象信息的提取,基于验证对象信息及与作为该验证对象信息的推移信息相对应的被加工物的测定值,重复对使用根据学习对象信息而学习后的第2预测模型时的预测精度进行验证。另外,预测部18相当于在满足上述条件时,使用根据学习对象信息学习后的第2预测模型对新的被加工物的尺寸进行预测的预测单元的一个例子。
实施方式4.
接下来,关于实施方式4,以与上述实施方式1的差异点为中心进行说明。此外,关于与上述实施方式1相同或同等的结构,使用同等的标号,并且省略或简化其说明。本实施方式在作为关联度而使用与测定值的相关系数不同的指标值这一点上与上述实施方式1不同。
在图18中概略地示出本实施方式所涉及的关联度的导出。如图18所示,推移取得部11取得推移信息,特征量计算部14对区间进行设定而对全部类别的特征量进行计算,测定值取得部15取得测定值的步骤与图12所示的步骤S11~S14相同。
接下来,区间确定部16将区间及多个类别的特征量设为说明变量,将测定值设为目标变量,对用于对测定值进行预测的测定值预测模型进行学习。例如,区间确定部16通过梯度提升树对测定值预测模型进行学习。如果对如上所述的测定值预测模型进行学习,则针对区间及特征量的每个类别而确定针对测定值的重要度,即向测定值的贡献率。该重要度可以说是各区间及各类别的特征量与测定值相关的程度,因此区间确定部16按照重要度从高到低的顺序对区间及特征量的类别进行确定。此外,区间确定部16至少对重要度最高的区间及特征量的类别进行确定即可。
以上,如说明所述,在作为关联度而使用测定值预测模型中的重要度对特征量的类别进行确定的方式中,也期待得到用于高精度地对加工尺寸进行预测的预测模型。在这里,区间确定部16相当于将多个类别的特征量设为说明变量,将测定值设为目标变量,对用于根据多个类别的特征量对测定值进行预测的第1预测模型进行学习,将在学习后的第1预测模型中重要度最高的特征量的类别确定为关联度最高的特征量的类别的区间确定单元的一个例子。
此外,对将区间和特征量的类别这两者设为说明变量的例子进行了说明,但并不限定于此。例如,也可以将根据加工期间整体而计算的全类别的特征量设为说明变量,将测定值设为目标变量,对重要度高的特征量的类别进行确定,然后对确定出的类别的特征量和测定值的相关系数大的区间进行确定。
实施方式5.
接下来,关于实施方式5,以与上述实施方式1的差异点为中心进行说明。此外,关于与上述实施方式1相同或同等的结构,使用同等的标号,并且省略或简化其说明。本实施方式在作为关联度而使用与测定值的相关系数不同的指标值这一点与上述实施方式1不同。
如图19所示,判定为不合格品的被加工物40的状态的推移和判定为合格品的被加工物40的状态的推移乖离的区间,可以说与成为合格与否判定的基础的测定值相关的程度大。因此,本实施方式所涉及的区间确定部16按照表示被加工物40被正常地加工时的工作机械20的状态的推移和被加工物40的加工不良时的工作机械20的状态的推移乖离的程度的乖离度从高到低的顺序将多个区间确定为关联度高的区间。作为乖离度,例如使用在上述非专利文献1中记载的LMP(Localized Matrix Profile)特征量。LMP特征量越大,在该时刻波形的差异变得越大。
以上,如说明所述,在作为关联度而使用乖离度的方式中,也对不合格品和合格品的乖离度高的区间进行选择,由此对适当的区间进行确定而期待得到高精度的预测模型。此外,对区间的确定进行了说明,但在基于乖离度的区间确定后,也可以基于其他指标值对特征量的类别进行确定。
另外,考虑还使用相关系数、实施方式4所涉及的重要度及与实施方式5所涉及的乖离度不同的关联度。例如,作为关联度,可以采用特征量和测定值的独立性的尺度,或者相互信息量。
实施方式6.
接下来,关于实施方式6,以与上述实施方式1的差异点为中心进行说明。此外,关于与上述实施方式1相同或同等的结构,使用同等的标号,并且省略或简化其说明。本实施方式在对可变宽度的区间进行设定这一点与上述实施方式1不同。
本实施方式所涉及的特征量计算部14如图20所示,对与直线相对应的区间的特征量进行计算,该直线构成与表示工作机械20的状态推移的波形近似的折线L3。作为折线近似的方法,例如采用Ramer-Douglas-Peucker法。
由此,期待对适于波形的可变长度的区间进行设定,对与测定值的关联度高的区间进行确定。
此外,对可变宽度的区间进行设定的方法并不限定于折线近似。例如,如图21所示,区间剪切部13也可以将预先确定的状态转换模型应用于状态的推移,对处于波形背后的模型状态的转换进行预测,对属于各个模型状态的区间进行设定。作为状态转换模型,例如能够使用在国际公开第2020/234961号中记载的方法或者隐马尔可夫链。
以上,对本发明的实施方式进行了说明,但本发明并不由上述实施方式限定。
例如,对加工尺寸预测装置10通过通信而取得推移信息及测定值的例子进行了说明,但加工尺寸预测装置10也可以从由用户指定出的辅助存储部53或外部服务器内的位置读取数据,由此取得推移信息及测定值。
另外,设想工作机械20的状态作为标量值的系列表示而进行了说明,但并不限定与此,也可以作为矢量值的系列表示。
另外,特征量并不限定于在上述实施方式中说明的例子,可以是前一个测量值和本次的测量值的差分值,也可以是位置偏差。另外,特征量计算部14可以对在图8中与区间的波形和横轴之间的面积相当的积分值及基于特征量F3计算的分散值进行计算而作为特征量。并且,特征量计算部14也可以对与差分值、积分值及分散值不同的算术特征量进行计算。
另外,关于区间确定部16从多个类别的特征量对一个类别的特征量进行确定的方法,说明了对关联度最高的类别进行确定,但并不限定于此。例如,可以使用由用户从作为相关系数的关联度大于或等于0.4的特征量及区间的组合选择出的组合而对多个预测模型进行学习,在学习后的预测模型的验证处理中,在预测处理中采用残差最少的模型,由此对特征量的类别进行分选。
另外,对成为通过测定装置30进行的测定的对象的被加工物40的部位是由工作机械20加工的1个或2个部位的例子进行了说明,但并不限定于此。例如,在测定对象为角度的情况下,如图22所示,考虑使用对成为基准的方向D1进行规定的2个测定部位E1、E2和对与方向D1一起形成角度θ的方向D2进行规定的2个测定部位E3、E4的合计4个部位对尺寸进行测定的例子。在该例中,存在优选对4个区间进行确定的情形。
另外,加工尺寸预测装置10的功能通过专用的硬件,另外通过通常的计算机***都能够实现。
例如,将由处理器51执行的程序P1储存于计算机可读取的非易失性的记录介质而发布,将其程序P1安装于计算机,由此能够构成执行上述处理的装置。作为如上所述的记录介质,例如考虑软盘、CD-ROM(Compact Disc Read-Only Memory)、DVD(DigitalVersatile Disc)、MO(Magneto-Optical Disc)。
另外,可以将程序P1储存于以互联网为代表的通信网络上的服务器装置所具有的盘装置,例如,叠加于载波而下载至计算机。
另外,一边经由通信网络对程序P1进行转发、一边启动执行,由此也能够实现上述处理。
并且,使程序P1的全部或一部分在服务器装置上执行,一边由计算机经由通信网络对与其处理相关的信息进行收发、一边执行程序,由此也能够实现上述处理。
此外,在将上述功能由OS(Operating System)分担而实现的情况下或通过OS和应用的协同动作而实现的情况下,可以仅将OS以外的部分储存于介质而发布,另外也可以下载至计算机。
另外,实现加工尺寸预测装置10的功能的方法并不限定于软件,也可以将其一部分或全部通过包含电路的专用的硬件而实现。
本发明在不脱离本发明的广义的精神和范围的情况下,能够实现各种实施方式及变形。另外,上述实施方式用于对本发明进行说明,并不对本发明的范围进行限定。即,本发明的范围不是实施方式,而是由权利要求书示出。而且,在权利要求书内及与其同等的发明的意义的范围内实施的各种变形视作本发明的范围内。
工业实用性
本发明应用于通过工作机械加工出的被加工物的尺寸的预测。
标号的说明
100加工尺寸预测***,10加工尺寸预测装置,11推移取得部,12品种·制造序列号取得部,13区间剪切部,14特征量计算部,15测定值取得部,16区间确定部,17学习部,***部,19通知部,191刀具长度校正部,20工作机械,201刀具,21传感器,30测定装置,40、41被加工物,401内向面,402外向面,51处理器,52主存储部,53辅助存储部,54输入部,55输出部,56通信部,57内部总线,A1~A18区间,L1、L3线,L10回归直线,P1程序。
Claims (20)
1.一种加工尺寸预测装置,其具有:
推移取得单元,其关于被实施所述加工的多个被加工物,分别取得表示从通过工作机械进行的加工的开始至结束为止的加工期间中的所述工作机械的状态的推移的推移信息;
特征量计算单元,其基于所述推移信息,根据所述加工期间所包含的多个区间各自的所述状态的推移对特征量进行计算;
测定值取得单元,其取得加工出的所述多个被加工物的尺寸的测定值;
区间确定单元,其从所述多个区间对计算出表示与所述测定值相关的程度的关联度最高的所述特征量的所述区间进行确定而作为确定区间;以及
预测单元,其在新的被加工物被加工时,基于根据所述确定区间的所述状态的推移而计算的所述特征量,对所述新的被加工物的加工后的尺寸进行预测。
2.根据权利要求1所述的加工尺寸预测装置,其中,
所述区间相当于将所述加工期间所包含的一部分区间、和从该一部分区间的结束时刻后的开始时刻起始的其他部分区间进行合成而得到的期间。
3.根据权利要求1或2所述的加工尺寸预测装置,其中,
所述区间确定单元从多个所述区间按照所述关联度从高到低的顺序对大于或等于2个所述区间进行确定而作为所述确定区间。
4.根据权利要求1或2所述的加工尺寸预测装置,其中,
所述特征量计算单元基于所述推移信息,根据所述加工期间所包含的所述多个区间各自的所述状态的推移,对多个类别的所述特征量进行计算,
所述区间确定单元对作为所述区间的所述确定区间进行确定,所述区间被计算所述关联度最高的所述特征量的类别及该特征量,
所述预测单元在所述新的被加工物被加工时,基于由所述区间确定单元根据所述特征量的类别和确定出的所述确定区间的所述状态的推移进行计算的、由所述区间确定单元确定出的类别的所述特征量,对所述新的被加工物的加工后的尺寸进行预测。
5.根据权利要求4所述的加工尺寸预测装置,其中,
所述区间确定单元按照所述关联度从高到低的顺序,对所述确定区间和所述特征量的类别的大于或等于2个组合进行确定。
6.根据权利要求4或5所述的加工尺寸预测装置,其中,
所述区间确定单元将多个类别的所述特征量设为说明变量,将所述测定值设为目标变量,对用于根据多个类别的所述特征量对所述测定值进行预测的第1预测模型进行学习,在学习后的所述第1预测模型中对重要度最高的所述特征量的类别进行确定而作为所述关联度最高的所述特征量的类别。
7.根据权利要求1至6中任一项所述的加工尺寸预测装置,其中,
所述区间确定单元对与所述测定值的相关系数的大小最大的所述区间进行确定而作为所述确定区间。
8.根据权利要求1至6中任一项所述的加工尺寸预测装置,其中,
所述区间确定单元对表示所述被加工物正常地加工时的所述状态的推移、和所述被加工物的所述加工不良时的所述状态的推移的乖离的程度的乖离度最高的所述区间进行确定而作为所述确定区间。
9.根据权利要求1至8中任一项所述的加工尺寸预测装置,其中,
所述特征量计算单元在预先确定的长度的所述区间在所述加工期间内每次位移时对所述特征量进行计算。
10.根据权利要求1至8中任一项所述的加工尺寸预测装置,其中,
所述特征量计算单元针对对所述加工期间进行分割而得到的每个所述区间对所述特征量进行计算。
11.根据权利要求1至8中任一项所述的加工尺寸预测装置,其中,
所述特征量计算单元对构成与表示所述状态的推移的波形近似的折线的直线相对应的所述区间的所述特征量进行计算。
12.根据权利要求1至8中任一项所述的加工尺寸预测装置,其中,
所述特征量计算单元根据通过对所述状态的推移应用预先确定的状态转换模型而预测出的模型状态的转换之中的、分别属于所述模型状态的所述区间的所述状态的推移而对所述特征量进行计算。
13.根据权利要求1至12中任一项所述的加工尺寸预测装置,其中,
还具有学习单元,该学习单元对第2预测模型进行学习,该第2预测模型用于根据与所述确定区间相对应的所述特征量对所述被加工物的尺寸进行预测,
所述预测单元使用通过所述学习单元学习后的所述第2预测模型,对所述新的被加工物的加工后的尺寸进行预测。
14.根据权利要求13所述的加工尺寸预测装置,其中,
所述学习单元对设为所述学习对象信息的所述推移信息进行变更而重复进行从关于所述多个被加工物分别取得的所述推移信息之中的满足预先确定的条件的所述推移信息对设为学习对象的学习对象信息和从学习对象排除在外的验证对象信息的提取,
基于所述验证对象信息及与作为该验证对象信息的所述推移信息相对应的所述被加工物的所述测定值而重复对使用根据所述学习对象信息而学习后的所述第2预测模型时的预测精度进行验证,
所述预测单元在满足所述条件时,使用根据所述学习对象信息而学习后的所述第2预测模型,对所述新的被加工物的尺寸进行预测。
15.根据权利要求1至14中任一项所述的加工尺寸预测装置,其中,
还具有通知单元,该通知单元在由所述预测单元预测出的尺寸从预先确定的容许范围偏离时,对尺寸从所述容许范围偏离的情况进行通知。
16.根据权利要求15所述的加工尺寸预测装置,其中,
所述通知单元基于由所述预测单元预测出的尺寸的履历,对与将来被实施所述加工时的尺寸从所述容许范围偏离为止的加工次数相关的信息进行通知。
17.根据权利要求15或16所述的加工尺寸预测装置,其中,
还具有校正单元,该校正单元在由所述预测单元预测出的尺寸从所述容许范围偏离时,对在加工所述被加工物的所述工作机械中设定的刀具长度进行校正。
18.一种加工尺寸预测***,其具有:
权利要求1至17中任一项所记载的加工尺寸预测装置;以及
测定装置,其对所述被加工物的尺寸进行测定。
19.一种加工尺寸预测方法,其包含:
根据与被实施通过工作机械进行的加工的多个被加工物各自有关的、从所述加工的开始至结束为止的加工期间所包含的多个区间各自的所述工作机械的状态的推移而对特征量进行计算;
从所述多个区间对计算出表示与所述多个被加工物的尺寸的测定值相关的程度的关联度最高的所述特征量的所述区间进行确定;以及
在新的被加工物被加工时,基于根据确定出的所述区间的所述状态的推移而计算的所述特征量,对所述新的被加工物的尺寸进行预测。
20.一种程序,其使计算机执行:
根据与被实施通过工作机械进行的加工的多个被加工物各自有关的、从所述加工的开始至结束为止的加工期间所包含的多个区间各自的所述工作机械的状态的推移而对特征量进行计算;
从所述多个区间对计算出表示与所述多个被加工物的尺寸的测定值相关的程度的关联度最高的所述特征量的所述区间进行确定;以及
在新的被加工物被加工时,基于根据确定出的所述区间的所述状态的推移而计算的所述特征量,对所述新的被加工物的尺寸进行预测。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/031649 WO2023031984A1 (ja) | 2021-08-30 | 2021-08-30 | 加工寸法予測装置、加工寸法予測システム、加工寸法予測方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117396305A true CN117396305A (zh) | 2024-01-12 |
Family
ID=81259450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180098677.1A Pending CN117396305A (zh) | 2021-08-30 | 2021-08-30 | 加工尺寸预测装置、加工尺寸预测***、加工尺寸预测方法及程序 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP7051030B1 (zh) |
CN (1) | CN117396305A (zh) |
DE (1) | DE112021007553T5 (zh) |
WO (1) | WO2023031984A1 (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101678522A (zh) * | 2007-06-06 | 2010-03-24 | 三菱电机株式会社 | 程序生成装置、数控装置以及程序生成方法 |
CN108021099A (zh) * | 2016-10-28 | 2018-05-11 | 发那科株式会社 | 机械学习装置以及加工时间预测装置 |
CN108127481A (zh) * | 2017-12-15 | 2018-06-08 | 北京理工大学 | 一种基于侧铣加工的工件表面形貌的预测方法 |
JP2018156340A (ja) * | 2017-03-16 | 2018-10-04 | 株式会社リコー | 診断装置、診断システム、診断方法およびプログラム |
CN109382838A (zh) * | 2017-08-07 | 2019-02-26 | 发那科株式会社 | 控制装置以及机器学习装置 |
CN112262017A (zh) * | 2018-06-15 | 2021-01-22 | 三菱电机株式会社 | 工作机械的加工尺寸预测装置、工作机械的加工尺寸预测***、工作机械的设备异常判定装置、工作机械的加工尺寸预测方法及程序 |
CN112947308A (zh) * | 2019-12-10 | 2021-06-11 | 发那科株式会社 | 机器学习装置、控制装置、加工***和机器学习方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3265602B2 (ja) | 1991-03-26 | 2002-03-11 | 住友金属工業株式会社 | ニッケル基耐熱合金 |
JP7305945B2 (ja) * | 2018-10-31 | 2023-07-11 | 株式会社ジェイテクト | 工作機械 |
DE112019007232B4 (de) | 2019-05-20 | 2023-05-25 | Mitsubishi Electric Corporation | Zustandsschätzvorrichtung und zustandsschätzverfahren |
JP7015807B2 (ja) * | 2019-07-05 | 2022-02-03 | 富士通株式会社 | 研削状態監視方法、研削状態監視プログラムおよび研削状態監視装置 |
JP6856162B2 (ja) * | 2019-09-24 | 2021-04-07 | ダイキン工業株式会社 | 制御システム |
-
2021
- 2021-08-30 CN CN202180098677.1A patent/CN117396305A/zh active Pending
- 2021-08-30 WO PCT/JP2021/031649 patent/WO2023031984A1/ja active Application Filing
- 2021-08-30 JP JP2022503591A patent/JP7051030B1/ja active Active
- 2021-08-30 DE DE112021007553.5T patent/DE112021007553T5/de active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101678522A (zh) * | 2007-06-06 | 2010-03-24 | 三菱电机株式会社 | 程序生成装置、数控装置以及程序生成方法 |
CN108021099A (zh) * | 2016-10-28 | 2018-05-11 | 发那科株式会社 | 机械学习装置以及加工时间预测装置 |
JP2018156340A (ja) * | 2017-03-16 | 2018-10-04 | 株式会社リコー | 診断装置、診断システム、診断方法およびプログラム |
CN109382838A (zh) * | 2017-08-07 | 2019-02-26 | 发那科株式会社 | 控制装置以及机器学习装置 |
CN108127481A (zh) * | 2017-12-15 | 2018-06-08 | 北京理工大学 | 一种基于侧铣加工的工件表面形貌的预测方法 |
CN112262017A (zh) * | 2018-06-15 | 2021-01-22 | 三菱电机株式会社 | 工作机械的加工尺寸预测装置、工作机械的加工尺寸预测***、工作机械的设备异常判定装置、工作机械的加工尺寸预测方法及程序 |
CN112947308A (zh) * | 2019-12-10 | 2021-06-11 | 发那科株式会社 | 机器学习装置、控制装置、加工***和机器学习方法 |
Also Published As
Publication number | Publication date |
---|---|
DE112021007553T5 (de) | 2024-05-02 |
JPWO2023031984A1 (zh) | 2023-03-09 |
JP7051030B1 (ja) | 2022-04-08 |
WO2023031984A1 (ja) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6898371B2 (ja) | 加工条件調整装置及び加工条件調整システム | |
JP5997330B1 (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
Shen et al. | Predicting tool wear size across multi-cutting conditions using advanced machine learning techniques | |
Ferreiro et al. | Industry 4.0: predictive intelligent maintenance for production equipment | |
CN109690431B (zh) | 用于估计误差传播的方法 | |
Liu et al. | Calibration-based tool condition monitoring for repetitive machining operations | |
US20180157241A1 (en) | Adjustment system for machining parameter and machining parameter adjustment method | |
JP2018106562A (ja) | 解析装置および解析システム | |
US11940357B2 (en) | System for predicting anomalies of machining | |
JP2017205821A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、および情報処理システム | |
CN115983452A (zh) | 一种基于lstm的轴承故障预测方法 | |
CN109725601A (zh) | 综合加工***、综合加工方法以及计算机可读介质 | |
CN114789364B (zh) | 多指标钻孔质量控制方法及其装置、设备 | |
CN117396305A (zh) | 加工尺寸预测装置、加工尺寸预测***、加工尺寸预测方法及程序 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
Reñones et al. | Experimental analysis of change detection algorithms for multitooth machine tool fault detection | |
Tian et al. | Statistical process control for multistage processes with non-repeating cyclic profiles | |
CN108537174B (zh) | 时变工况条件下旋转机械运行状态在线监测方法及*** | |
JP2022023390A (ja) | 検査システム、検査方法、及び検査プログラム | |
Yang et al. | A gradual refreshing scheme for improving tool utilization | |
CN116249943A (zh) | 加工诊断装置、学习装置、推断装置、加工诊断方法及程序 | |
US20180264570A1 (en) | Method and device for automated machining of gearwheel components | |
El Ouafi et al. | An ANN based multi-sensor integration approach for in-process monitoring of product quality in turning operations | |
CN112560234B (zh) | 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端 | |
KR102404889B1 (ko) | 현장 데이터 기반 설비 수명 예측 시스템 및 이의 예측 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |